一種融合DGSOM神經網絡的仿生算法研究

許曈，凌有鑄，陳孟元

(安徽工程大學 安徽省電氣傳動與控制重點實驗室，安徽 蕪湖 241000)

一種融合DGSOM神經網絡的仿生算法研究

許曈，凌有鑄，陳孟元

(安徽工程大學 安徽省電氣傳動與控制重點實驗室，安徽 蕪湖 241000)

基于生理學和腦科學研究成果提出的SOM神經網絡仿生優化方法能夠通過學習自主繪制出拓撲地圖，但需通過大量的嘗試確定其初始網絡結構，無法保證系統的實時性。提出一種方向信息和特征信息構建的動態增長自組織特征網DGSOM，通過引入方向參數減少網絡的訓練次數，降低了系統復雜度，通過引入特征參數避免了感知混淆，并將該神經網絡模型應用于澳大利亞Milford等提出的RatSLAM模型中。實驗表明，提出的DGSOM-RatSLAM模型通過減少視覺細胞的數量降低系統的復雜度；通過視覺細胞的場景匹配實驗和位姿細胞的活性狀態實驗證明該模型能夠更快地實現閉環檢測，提出的DGSOM-RatSLAM模型的準確率、召回率及F1值分別為94.74%、86.88%和90.64%，高斯噪聲干擾下Gauss-DGSOM-RatSLAM模型的準確率、召回率及F1值分別為86.70%、80.25%、83.35%。

RatSLAM模型；DGSOM神經網絡；同步定位與地圖構建；閉環檢測；準確率；召回率

中文引用格式：許曈，凌有鑄，陳孟元.一種融合DGSOM神經網絡的仿生算法研究[J]. 智能系統學報， 2017, 12(3): 405-412.

英文引用格式：XU Tong， LING Youzhu， CHEN Mengyuan. A bio-inspired algorithm integrated with DGSOM neural network[J]. CAAI transactions on intelligent systems, 2017, 12(3): 405-412.

在生物神經系統中，存在著一種側抑制現象，一個神經細胞的興奮會對周圍其他神經細胞產生抑制作用，這種抑制作用會使神經細胞之間出現競爭，從而造成神經細胞的興奮或抑制。1982年芬蘭Helsink大學的T.Kohonen教授[1]基于這種現象提出一種自組織特征圖(self-organizing feature map, SOM)，并引入贏者通吃(winner take all, WTA)理論，該仿生優化方法通過學習能夠自主繪制出拓撲地圖，但需通過大量的嘗試確定其初始網絡結構，無法保證系統的實時性能，研究者們基于該模型的缺陷進行了改進。1993年Martinetz等[2]提出一種神經氣(neural gas，NG)模型，提高了網絡自組織學習過程的效率。2004年尹峻松等[3]為克服SOM孤立學習與噪聲敏感等缺陷, 結合一氧化氮(NO)擴散機理, 在SOM網中引入時間增強機制，提出了一種新型擴散的自組織模型(diffusing self-organizing maps，DSOM)。2009年王春東等[4]將SOM理論運用于信息學，利用灰色關聯系數(grey relational coefficient，GRC)調整權重，檢測拒絕服務攻擊(denial of service, DOS)。2011年于乃功等[5]將可增長特征映射圖(growing self-organizing map, GSOM)融入雙目立體視覺，通過自組織拓撲結構避免了傳統SOM網需大量實驗才能確定的初始網絡結構。本文以GSOM神經網絡模型為基礎引入了方向參數和特征參數構成的動態增長自組織特征圖(dynamic growing self-organizing feature map，DGSOM)，并應用于澳大利亞Milford等[6-9]提出的RatSLAM模型中。

1 RatSLAM模型

由于傳感器和環境的不確定性，移動機器人利用概率解決同步定位與地圖構建問題。其中，卡爾曼濾波、極大期望估計和粒子濾波3種概率算法是當前移動機器人SLAM的核心技術，其通過專用網格或拓撲地圖的方式進行環境描述，這些研究成果在仿真和限定條件下能夠取得良好效果，但難以兼顧實際環境，且存在計算量大、搜索時間長、易于陷入局部最優解等問題。

鼠類是生物醫學研究最多的動物之一[10-11]，人們對于其導航、環境探索和真實神經機制的模擬理解得很好，因此鼠類成為科學家們創造生物系統人工模型的原型。

經過不斷的研究探索，Milford等提出一種基于鼠類導航細胞的擴展海馬模型RatSLAM，該模型包括位姿細胞、視覺細胞以及經驗圖3部分,通過一維頭方向細胞和二維位置細胞合并形成的三維位姿細胞表征當前位置，利用一維視覺細胞在環境中學習獨特場景，通過位姿細胞和視覺細胞鏈路編碼共同構建拓撲化的經驗圖，其經驗E包含關于視覺細胞V、位姿細胞P和位置間拓撲關系d，定義E=〈V,P,d〉。

1.1 位姿細胞的活性狀態變化

創建的興奮度權重矩陣εabc和由于興奮性使位姿感知細胞活動產生的變化ΔPx′y′θ′如式(1)和式(2)所示：

式中：kx′y′和kθ′分別為位姿感知細胞平面(x′,y′)和θ′維中對應著興奮性一維分布的方差常數；a、b、c分別為x′、y′、θ′的分布系數；Nx′、Ny′、Nθ′分別為(x′,y′,θ′)空間中的位姿感知細胞三維矩陣元素；抑制常數φ控制全局抑制水平，使興奮度被限制在非負范圍內。

1.2 視覺細胞的場景學習及位姿關聯

視覺細胞關聯下的位姿細胞網絡活性如式(4)所示：

式中δ為視覺校準加強常數。

1.3 經歷圖的構建

經驗E、編碼位姿細胞P、視覺細胞V和經歷間的拓撲關系d如式(5)所示：

拓撲關系d如式(6)所示：

式中：α為學習常量；Nf是從經歷i到其他經歷的轉移個數；Nt是從其他經歷到經歷i的轉移個數。實驗表明，學習常量α取0.5可使構建的地圖收斂到一個穩定的狀態，模型如圖1所示。

圖1 RatSLAM模型Fig.1 RatSLAM model

2 DGSOM算法下的RatSLAM模型

神經科學研究表明，視覺皮層與其海馬腦區的細胞存在競爭性輸入[12-13]，而傳統的SOM算法[14-19]為確定初始網絡結構需進行大量復雜的運算。本文提出一種具有神經元方向和特征的DGSOM神經網絡模型，通過引入方向參數減少學習次數從而降低系統的復雜度，通過引入特征參數避免感知混淆，將該模型應用于RatSLAM模型中以改進現有基于鼠類海馬體導航機制的細胞導航模型。

視覺細胞特征如式(7)所示：

位姿細胞特征如式(8)所示：

1) 創建DGSOM網絡

引入輸入神經元C=〈D,F〉，DGSOM模型神經元的創建過程如圖2所示，其中第3個神經元是競爭出的勝者，第m+1個神經元是新產生的神經元。

圖2 DGSOM模型神經元的創建過程Fig.2 Neurons created in DGSOM model

2)計算權值向量與輸入的距離

在第k個輸入vk平面中，到每一個神經元i的距離di可由已知的m個神經元計算得出，可選取的方法包括曼哈頓距離、歐氏距離、徑向基等，這里采用輸入樣本與獲勝神經元連接強度的歐氏距離進行判斷，計算方法如式(9)和式(10)所示：

3)獲取最佳匹配單元

通過引入閾值參數α選擇是否需引入新的神經元，獲取最佳匹配單元的數學模型，如式(11)所示：

4) 調節神經元的權重

新引入的神經元如式(12)所示：

已引入的神經元如式(13)所示：

5) 構建一個新的神經元

通過移動機器人在環境中探索，重復過程1)～4),構建一個新的神經元。

6) 將DGSOM模型應用于RatSLAM

DGSOM下的RatSLAM模型如圖3所示。通過攝像頭獲取局部場景，利用視覺里程計信息整合至位姿細胞從而影響經歷圖的構建；融合DGSOM神經網絡模型的視覺細胞，一方面對位姿細胞進行視覺關聯，另一方面直接影響經歷圖的構建。

圖3 融入DGSOM神經網絡的RatSLAM模型Fig.3 RatSLAM model with DGSOM neural network

3 實驗與結果分析

3.1 實驗設計

本實驗通過如圖4所示的“旅行家Ⅱ號”輪式機器人攝像頭模塊進行局部場景的采集，將采集的圖像傳至上位機并通過MATLAB進行算法分析驗證。實驗選取的室內場景如圖5所示。

圖4 “旅行家Ⅱ號”輪式機器人Fig.4 The wheeled mobile robot Voyager Ⅱ

圖5 實驗場景Fig.5 Experiments scene

3.2 實驗結果與分析

1)改進前后RatSLAM模型中位姿細胞的活性轉移過程及DGSOM-RatSLAM模型的實時性驗證實驗

位姿細胞的位姿轉移過程如圖6所示，每組3幅圖分別表示攝像頭實際讀取的圖像信息、RatSLAM模型中位姿感知細胞活性狀態信息以及DGSOM-RatSLAM模型位姿感知細胞活性狀態信息；圖6(a)～(i)所示的過程表示移動機器人在18～23 s時位姿細胞的活性轉移過程。從圖6所示的組圖中可以看出，隨時間推移，RatSLAM模型和DGSOM-RatSLAM模型的位姿細胞左側活性強度逐漸降低，中間及右側活性強度逐漸增加；文獻[6]證明了RatSLAM模型在一天中的不同時段都能對同一場景實現閉環檢測，但如圖6(j)～(l)所示，該模型無法在場景重現的第一時間(67 s時刻)進行閉環檢測，而改進后的DGSOM-RatSLAM模型能夠在這一時刻及時地辨識出先前出現的場景，實現閉環檢測，其改進模型的實時性得到了驗證。

圖6 兩種模型位姿細胞活性轉移過程Fig.6 The transfer of pose cells activity in two nodels

2)RatSLAM模型與DGSOM-RatSLAM模型的定性分析

RatSLAM模型與融入DGSOM神經網絡的RatSLAM模型的性能對比如圖7所示，相比于現有的RatSLAM模型，DGSOM-RatSLAM模型采集相同場景時所需視覺細胞的個數更少，能夠更快地進行場景重定位且匹配效果更佳。

圖7 RatSLAM模型與DGSOM-RatSLAM模型性能對比Fig.7 Performance comparison between RatSLAM and DGSOM-RatSLAM

3)高斯噪聲干擾下的RatSLAM模型與DGSOM-RatSLAM模型的定性分析

為進一步驗證DGSOM-RatSLAM模型的有效性，給所需處理的圖像添加隨機高斯噪聲，其中正態分布的均值μ取0，標準差σ取隨機值[0.02,0.08]。高斯噪聲干擾下的RatSLAM模型與DGSOM-RatSLAM模型性能對比如圖8所示，相比于RatSLAM模型，DGSOM-RatSLAM模型采集相同場景時所需視覺細胞的個數更少，能夠更快地實現閉環且匹配效果更佳。

圖8 Gauss-RatSLAM模型與Gauss-DGSOM-RatSLAM模型性能對比Fig.8 Performance comparison between Gauss-RatSLAM and Gauss-DGSOM-RatSLAM

4)準確率與召回率對閉環檢測的定量分析

引入準確率P、召回率R及F值對兩種系統進行評估，數學模型如式(14)～(16)所示:

式中:正陽性(true positive，TP)指正確識別的閉環經驗節點單元，假陽性(false positive，FP)指錯誤檢測出的閉環經驗節點單元，假陰性(false negative，FN)指未檢測到的真實閉環經驗節點單元，這里取a=1,有

經計算，RatSLAM算法和DGSOM-RatSLAM算法的準確率P分別為93.26%和94.74%，差異性不顯著；但相比于RatSLAM模型，DGSOM-RatSLAM模型的召回率R有顯著的提升，其中，RatSLAM算法的召回率R僅為75.28%，即該算法在場景重定位中會導致較多的假陰性判斷，DGSOM-RatSLAM算法的召回率R改進至86.88%，兩種模型的F1值分別為83.31%與90.64%，可以看出，DGSOM-RatSLAM算法性能得到了一定的改進，數據對比如表1所示。

表1 RatSLAM模型與DGSOM-RatSLAM模型性能對比

Table1 Performance comparison between RatSLAM model and DGSOM-RatSLAM model %

在每一幀圖像中加入高斯噪聲，得出其改進前后的Gauss-RatSLAM模型及Gauss-DGSOM-RatSLAM，其準確率P分別為91.42%和86.70%，召回率R分別為71.33%和80.25%，計算得F1值分別為80.14%和83.35%，數據如表2所示。

表2 Gauss-RatSLAM模型與Gauss-DGSOM-RatSLAM模型性能對比

Table 2 Performance comparison between Gauss-RatSLAM model and Gauss-DGSOM-RatSLAM model %

對比兩模型的準確率、召回率及F1值可以看出，融入DGSOM的鼠類導航細胞模型整體性能得到了一定的改進。

5)實驗場景匹配效果對比

RatSLAM模型與融入DGSOM神經網絡的RatSLAM模型的實驗場景匹配效果對比如圖9所示，DGSOM-RatSLAM模型在閉環匹配中具有更好的魯棒性和快速性。

圖9 RatSLAM模型與DGSOM-RatSLAM模型實驗場景匹配效果對比Fig.9 Matching effect of experiment scene between RatSLAM and DGSOM-RatSLAM

4 結束語

與現有的RatSLAM模型相比，本文提出的DGSOM-RatSLAM模型將DGSOM神經網絡融入視覺細胞，通過減少所需細胞的數量降低了系統的復雜度，并且通過位姿細胞活性狀態實驗與視覺細胞實驗分別驗證了DGSOM-RatSLAM模型能夠更早地匹配到閉環，使系統具有更好的快速性能，優化了匹配效果，其準確率、召回率及F1值與傳統RatSLAM模型相比有一定的改進，分別達94.74%、86.88%和90.64%，進一步進行魯棒性測試可知融入高斯噪聲干擾下的改進模型的準確率、召回率及F1值分別達86.70%、80.25%、83.35%。

[1]KOHONEN T. Self-organized formation of topologically correct feature maps[J]. Biological cybernetics, 1982, 43(1): 59-69.

[2]MARTINETZ T M, BERKOVICH S G, SCHULTEN K J. Neural-gas network for vector quantization and its application to time-series prediction[J]. IEEE transactions on neural networks, 1993,4(4): 558-569.

[3]尹峻松, 胡德文, 陳爽,等. DSOM:一種基于NO時空動態擴散機理的新型自組織模型[J].中國科學E輯:信息科學,2004,34(10): 1094-1109. YIN Junsong, HU Dewen, CHEN Shuang, et al. DSOM: a new self-organization model based on NO space-time dynamic diffusion mechanism[J]. Science in China ser. E information sciences, 2004,34(10): 1094-1109.

[4]王春東, 虞鶴峰, 王懷彬. Grey self-organizing map based intrusion detection[J]. Optoelectronics letters, 2009, 5(1): 64-68.

[5]于乃功,王麗.雙目立體視覺和GSOM相結合的機器人自主地圖構建方法[J].計算機測量與控制, 2011, 19(11): 2810-2813. YU Naigong, WANG Li. Autonomous mapping for robot using a combination of binocular stereo vision and GSOM[J]. Computer measurement and control, 2011, 19(11): 2810-2813.

[6]MILFORD M, GEORGE A. Featureless visual processing for SLAM in changing outdoor environments[J]. Springer tracts in advanced robotics, 2014: 569-583.

[7]MILFORD M J, PRASSER D P, WYETH G F. Effect ofrepresentation size and visual ambiguity on RatSLAM system performance[C]//Australasian Conference on Robotics and Automation. Australian Robotics and Automation Society (ARAA), 2006: 1-8.

[8]MILFORD M, SCHULZ R, PRASSER D, et al. learningspatial concepts from RatSLAM representations[J]. Robotics and autonomous systems, 2007, 55(5):403-410.

[9]MILFORD M, WYETH G, PRASSER D. RatSLAM on the edge: revealing a coherent representation from an overloaded rat brain[C]// Ieee/rsj International Conference on Intelligent Robots and Systems, IROS 2006, October 9-15, 2006, Beijing, China. 2006:4060-4065.

[10]王麗娟,陶璨,張光偉,等.小鼠初級聽皮層SOM中間神經元突觸輸入的時空特性研究[J]. 第三軍醫大學學報, 2017, 39(5): 417-422. WANG Lijuan, TAO Can, ZHANG Guangwei, et al. Spatial-temporal characteristics of synaptic inputs received by SOM+ interneurons in mouse primary auditory cortex[J]. Journal of third military medical university, 2017,39(5): 417-422.

[11]于乃功,方略,羅子維,等.大鼠腦海馬結構認知機理及其在機器人導航中的應用[J].北京工業大學學報,2017, 43(3): 434-442. YU Naigong, FANG Lue, LUO Ziwei, et al. Cognitive mechanism of rat hippocampal formation and its application in robot navigation[J]. Journal of Beijing university of technology, 2017, 43(3): 434-442.

[12]劉帥師, 程曦, 郭文燕,等. 深度學習方法研究新進展[J]. 智能系統學報, 2016, 11(5):567-577. LIU Shuaishi, CHENG Xi, GUO Wenyan,et al. Progress report on new research in deep learning[J]. CAAI transactions on intelligent systems, 2016, 11(5):567-577.

[13]丁永生.計算智能的新框架:生物網絡結構[J]. 智能系統學報, 2007, 2(2): 26-30. DING Yongsheng. A new scheme for computational intelligence: bio-network architecture[J]. CAAI transactions on intelligent systems, 2007, 2(2): 26-30.

[14]芮小平,張立強.基于SOM的多維信息可視化研究[J].應用基礎與工程科學學報, 2011, 19(3): 379-388. RUI Xiaoping, ZHANG Liqiang. Multi-dimensional information visualization based on SOM[J]. Journal of basic science and engineering, 2011, 19(3): 379-388.

[15]尹柏強,何怡剛,朱彥卿.一種廣義S變換及模糊SOM網絡的電能質量多擾動檢測和識別方法[J].中國電機工程學報, 2015, 35(4): 866-872. YIN baiqiang, HE Yigang, ZHU Yanqing. Detection and classification of power quality multi-disturbances based on generalized S-transform and fuzzy SOM neural network[J]. Proceedings of the CSEE,2015,35(4):866-872.

[16]於東軍,吳小俊, HANCOCK Edwin R,等.廣義SOM及其在人臉性別識別中的應用[J].計算機學報, 2011, 34(9): 1719-1725. YU Dongjun, WU Xiaojun, HANCOCK Edwin R, et al. Generalized SOM with application to facial gender identification[J].Chinese journal of computers, 2011, 34(9): 1719-1725.

[17]劉艷,陳麗安.基于SOM的真空斷路器機械故障診斷[J].電工技術學報, 2017,32(5):49-54. LIU Yan, CHEN Li’an. Mechanical fault diagnosis of vacuum circuit breaker based on SOM[J]. Transactions of China electrotechnical society, 2017, 32(5): 49-54.

[18]邱天宇, 申富饒, 趙金熙. 自組織增量學習神經網絡綜述[J]. 軟件學報, 2016, 27(9): 2230-2247. QIU Tianyu, SHEN Furao, ZHAO Jinxi. Review of self-organizing incremental neural network[J]. Journal of software, 2016, 27(9): 2230-2247

[19]趙建華, 李偉華. 有監督SOM神經網絡在入侵檢測中的應用[J]. 計算機工程, 2012, 38(12): 110-111. ZHAO Jianhua, LI Weihua. Application of supervised SOM neural network in intrusion detection[J]. Computer engineer, 2012, 38(12): 110-111.

A bio-inspired algorithm integrated with DGSOM neural network

XU Tong， LING Youzhu， CHEN Mengyuan

(Anhui Key Laboratory of Electric Drive and Control, Anhui Polytechnic University, Wuhu 241000, China)

Based on physiology and brain science, self-organizing-map (SOM) neural networks can learn and autonomously draw topological maps, but the initial SOM network structure must be repeatedly tested, so the real-time characteristics of the system cannot be assured. In this paper, we built a dynamic growing self-organizing map (DGSOM) based on direction and feature parameters that reduces network training times by the introduction of the direction parameter and decreases system complexity and avoids perceptual aliasing by the introduction of the feature parameter. By introducing the feature parameter, we can avoid perception confusion. We applied the proposed model to the view cells of the simultaneous localization and mapping system (SLAM) known as RatSLAM, proposed by Milford et al. Our experimental results show that the proposed DGSOM-RatSLAM model can decrease the complexity of the system by reducing the quantity of view cells and realize closed-loop detection earlier by matching the scene with view cells and detecting on the activity of the pose cells. We found the precision rate, recall rate, andF1value of the DGSOM-RatSLAM model to reach 94.74%, 86.88%, and 90.64%, respectively, and those of the Gauss-DGSOM-RatSLAM model to reach 86.70%, 80.25%, and 83.35%, respectively.

RatSLAM model; DGSOM neural network; simultaneous localization and mapping; closed-loop detection; precision rate; recall rate

10.11992/tis.201704038

http://kns.cnki.net/kcms/detail/23.1538.TP.20170705.1653.002.html

2017-04-25. 網絡出版日期：2017-07-05.

安徽高校自然科學研究項目(KJ2016A794).

凌有鑄. E-mail:lyz7985@163.com

TP242.6;TP183

A

1673-4785(2017)03-0405-08

許曈，男，1993年生，碩士研究生，主要研究方向為機器視覺和仿生導航算法。

凌有鑄，男，1962年生，研究生導師，主要研究方向為傳感器信號處理和機器人地圖構建等。主持省自然科學基金、省科技計劃項目等10余項，獲安徽省科學技術獎4項，發表學術論文60余篇。

陳孟元，男，1984年生，副教授，主要研究方向為移動機器人地圖構建及同步定位等。主持安徽省高等學校自然科學研究項目等10余項，發表學術論文30余篇，授權國家發明專利4項。